一个站点的诞生02--用Scrapy抓取数据

有各种语言版本号的开源爬虫。c++, Java,  php，在github上搜一下，以"spider c++"为keyword，有245个开源爬虫，以"spider java"为keyword。有48个。

那python呢？156个。


爬虫技术在业界已经非常成熟了。有非常多开源框架，在它们的帮助下写爬虫能够非常快，几个小时就能写一个不错的东东用。

爬虫技术也会非常复杂。假设要做分布式抓取和全文检索，一般使用Nutch。


最有名的Python爬虫框架是Scrapy，这个名字也蛮有意思的，预计是Spider。Crawler，python各取部分字符组合起来的。它的官方主页在http://scrapy.org/。

1. 安装Scrapy
安装Scrapy非常easy，linux系统的话，一条语句就能够了。"sudo pip install Scrapy"。

通常python在Linux各发行版上都是默认安装的。pip是python的包管理工具，运行install命令后。它会从网上下载最新版本号的Scrapy安装。安装完成。在命令行输入命令"scrapy version"。会打印scrapy的版本号。表明成功安装。

2. 生成项目文件夹
假设要抓取大众点评网，须要先创建项目。选择一个空文件夹，比方在我的电脑上是/tmp/scrapy-test。在命令行输入"scrapy startproject crawdp"，startproject是scrapy的一个命令。执行后，在/tmp/scrapy-test文件夹会出现一个新文件夹crawdp。它包括scrawdp项目所须要的一切东东，如源码和配置文件。

执行"tree crawdp"，能够看到整个文件夹结构。

那么，"startproject""创建项目"这个高大上字眼背后的真相是什么呢？事实上不复杂，就是创建一个项目名的文件夹和它的几个子文件夹，然后复制几个指定的文件到这些文件夹，再把这些文件中的几个特定字符串替换成项目名。这块的代码在scrapy源码的scrapy/command/commands文件夹下的startproject.py文件中。而在"tree crawdp"看到的文件。它们的原型在scrapy/templates/project/module文件夹下，如settings.py.tmpl文件，把它里面的字符串"$project_name"用"crawdp"替换，再把文件名称改成settings.py，就是crawdp的settings.py文件。


像settings.py.tmpl这种文件。又称为模板文件。把模板里的变量用字符串替换掉。叫渲染（render）。在web server的开发中也相同使用这种技术，前端工程师设计html文件，里面包括形如"$project_name"之类的变量，保存成模板文件，而服务器在执行的时候，用执行时产生的字符串替换掉模板里的变量，再把替换后的内容发给浏览器，就是我们看到的网页，所以叫动态页面。


3. 第一个spider
開始写第一个spider，这是一个很easy的spider，仅仅有13行代码。

在/tmp/scrapy-test/crawdp/crawdp/spiders文件夹下，创建文件cityid_spider.py。内容例如以下：
-----------------------------------------
from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector


class CityidSpider(BaseSpider):
    name = "cityid_spider"
    start_urls = ["http://www.dianping.com/shanghai/food"]


    def parse(self, response):
        hxs = HtmlXPathSelector(response)
        xs = hxs.select(‘//ul[@class=\"nc_list\"]/li/a/@href‘)
        x = xs[0]
        cityid = x.extract().split(‘/‘)[3]
        print "\n\n\ncityid = %s\n\n\n" % cityid
-----------------------------------------
返回到/tmp/scrapy-test/crawdp/文件夹，在这个文件夹下运行"scrapy crawl cityid_spider"，能够看到打印出来的结果是"cityid = 1"，在默认配置下，顺带会打印非常多log信息，所以我在这句加了几个换行符。让它显示得清楚一点。


注意，这里有几个关键点：
a. cityid_spider.py这个文件，必须放在/tmp/scrapy-test/crawdp/crawdp/spiders文件夹下，放在别的地方，scrapy找不到。

b. 源码里。name = "cityid_spider"这句必须有。这里指定了spider的名字，scrapy靠名字识别不同的spider。
c. 必须在/tmp/scrapy-test/crawdp/下运行"scrapy crawl cityid_spider"，在别的文件夹下不行。
其它的，能够把class CityidSpider类名换成别的，没关系，也能够cityid_spider.py文件名称换成别的名字，也没关系。不影响效果。

这个spider是一切spider的基本型，更复杂的spider都是在它的基础上逐渐加入很多其它功能做出来的。


4. 这个spider是干什么的
在大众点评网，每一个城市都有一个数字代号，比方上海是1，北京是2。深圳是7。它家的总部在上海。所以上海是1号。假设想抓很多其它城市的餐厅，就须要知道城市代号。

上海的城市代号，能够从http://www.dianping.com/shanghai/food抓取。在浏览器打开http://www.dianping.com/shanghai/food，在左側的“商区”以下，有“陆家嘴”，在它上面点击右键。选择“审查元素”，假设你用的是chrome，浏览器会开一个窗体，用高亮色定位到陆家嘴相应的html元素。这个元素包括一个超级链接。叫"/search/category/1/10/r801" 。那么上海的cityid就是超级链接里的category后面"1",而这个链接。是嵌套在一个固定的层次式的html元素里。也就是形如代码里形如"//ul[@class=\"nc_list\"]/li/a/@href"的结构。这样的写法叫xpath。

执行"scrapy crawl cityid_spider"的时候，spider開始执行，它先检查spider源码里的“start_urls = ["http://www.dianping.com/shanghai/food"]”，依据这个url，从大众点评网上抓取html文件内容。存在response里，然后调用parse函数，从response里用xpath解析出全部符合"//ul[@class=\"nc_list\"]/li/a/@href"的html元素，取第一个。得到一个类似“/search/category/1/10/r801”的字符串，然后将它以‘/‘为间隔做切割，取第3个。就是"1"，就是cityid，这就是parse函数的前四条语句做的事情。


这块写的略有一点不人性化。术语比較多。那么，想做抓取的话，至少要懂一点html，css，web server，xpath。稍微有点基础即可。这些东西在这里就不展开了，找本入门书看看就能够了。